总览 · ← 返回运行 20261002-202908-search-t1-scr-D

节点 n19

VAE潜位移改为kNN真实细胞选择：z_pred=z_last+0.5·dz 在末阶段真实潜码中取最近邻，输出=该真实细胞原始表达（k=1，全panel），去掉QM分位数匹配与γ数值混合。

方法说明?节点程序自带的 METHOD.md：这个程序做了什么、为什么。

来自 programs.git 6f982fc8a7:solution/METHOD.md

调研员的计划

代码改动?这个节点的程序和父节点程序的逐行差别：绿色是新增，红色是删除。

对比：父节点版本 c05a67757a。改动的文件：solution/METHOD.md +34 −21、solution/run.py +107 −57

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 7a5a1c5..439d346 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,30 +1,43 @@-Gaussian VAE 潜空间转移：两输入阶段潜码 entropic-OT 耦合+kNN 局部回归得逐细胞位移，外推末阶段潜码解码，HVG 分位数匹配回末阶段边缘分布后以 γ=0.5 与真实值混合；非 HVG 保留末阶段值。-# METHOD+VAE潜位移改为kNN真实细胞选择：z_pred=z_last+0.5·dz 在末阶段真实潜码中取最近邻，输出=该真实细胞原始表达（k=1，全panel），去掉QM分位数匹配与γ数值混合。+# METHOD（node 19，improve over node 15，family: generative_latent） +## 方法 -## 方法族与机制（family: generative_latent，按 PLAN）+- 保留父节点全部潜空间部件：HVG2000、Gaussian VAE（kl=0.005, latent=20, 100ep, CPU）、末两输入阶段 entropic-OT（POT sinkhorn, reg=0.1, cap 3000）耦合 + kNN(k=15) 局部回归得逐细胞位移 dz。+- **替换解码后处理（PLAN 核心）**：不再 decode+分位数匹配+γ混合，而是 z_pred = z_last + scale·dz（scale 默认 0.5），对每个输出细胞在末阶段**全部真实细胞**的潜码中取 k 近邻（默认 k=1），权重 softmax(−(d²−d²_1)/h)，h=中位第k距；输出 = 权重加权的末阶段**原始表达**（全 panel 取自被选真实细胞，非 HVG 也是真实值，不做嵌合；`--select-hvg-only` 可切换，实测无差异）。+- 单输入退路：dz=0 → z_pred=z_last → 最近邻=自身 → 输出=输入细胞子集（copy）。+- 视图无关：只用时间差与数据；`--dump/--load` 为开发期缓存（默认关闭，提交程序不依赖）；seed 确定（default_rng/torch.manual_seed）。 -- HVG 2000（各输入阶段都覆盖的基因，按合并方差选）；标准化后进 VAE：enc 2000(+2 阶段 one-hot)→256→64→z(20)，dec 20→64→256→2000，Gaussian 似然，KL 权重 **0.005**（PLAN 的 0.1 使潜空间塌缩，||dz||≈0.001，机制失效；实测降到 0.005 后 ||dz||≈0.41），Adam 1e-3，batch 256，100 epochs，CPU（EXECUTION.json gpu=false）。-- 转移：Z(E8.75 类) 与 Z(E9.0 类) 之间 POT `ot.sinkhorn`（reg=0.1，代价按中位数归一，每阶段 ≤3000 细胞）；δ_i = 重心映射 − z0_i；对每个末阶段细胞取 k=15 个最近源细胞，softmax(−d²/h)（h=中位 k 距）加权平均 δ 得 dz_j。z_pred = z_last + scale·dz，scale 默认常数 1.0（auto 模式=时间差之比 clip[0,2]，X3 上为 2.0，实测略差）。-- 解码后处理（PLAN 步骤 7 的修改，实测必要）：直接把解码值写回会摧毁表达纹理（cell_state 8.9、covariation 8.4，总 28.0，远低于 copy_last）。改为 (a) 每个 HVG 基因把解码值的秩映射到末阶段该基因的经验分位数（恢复稀疏与边缘分布），(b) 与末阶段真实值按 γ=0.5 线性混合（纯解码 γ=1 时 covariation 48 但 cell_state 35；混合把 cell_state 拉到 68，代价是 covariation 降到 28.6）。clamp ≥0。-- 单输入退路：无转移，输出=该阶段 encode-decode（自编码对照），符合 PLAN 步骤 8。-- 视图无关：只用时间差与数据；seed 确定（np.random.default_rng(seed)、torch.manual_seed(seed)，纯 CPU）。+## 机制生效证据（X3 A半, seed 0） -## 机制生效证据+- `[mech]` 日志：||dz|| mean=0.410，within-pop CV=0.337>0.3（继承父标准）；k=1, scale=1 时 self_top1=0.525——**47.5% 的输出细胞被位移换成了另一个真实细胞**（潜距 d1_mean=0.134），输出与 copy_last 逐元素不同。+- 机制关闭对照（`--transition-scale 0`）：z_pred=z_last，最近邻=自身，输出=末阶段真实细胞子集（等价 copy_last），与 scale>0 输出不同 → 机制在运行。 -- `[mech]` 日志：||dz|| mean=0.4097，**within-population CV=0.337 > 0.3**（PLAN 证据标准 1）：位移确实随细胞潜位置变化，不是每型常数。-- 机制开/关对照（同一程序 `--transition-scale 0` vs 默认，X3 A 半，seed 0）：-  - 关（scale=0，纯解码无 QM 时）：28.0；关+QM+γ1 未单测；-  - 开：scale=1, γ=1, QM：42.98；scale=2, γ=1, QM：42.02；**scale=1, γ=0.5, QM（默认）：48.92**。-  - scale=0 与 scale>0 输出不同（dz≠0），机制在跑；转移主要改变 covariation/de_recovery 方向（de_recovery 44.9→41.7，direction 49.8→49.1），而 QM+γ 混合主要修复 cell_state。-- 输出零值率/库大小：nnz/cell 2273 vs 输入 1974（混合使部分零被填），在格式检查内合规。+## 查分结果（9 次，全部 X3 A半） -## 验证与未验证+| 配置 | 总分 | cell_state | covariation | de_recovery | direction |+|---|---|---|---|---|---|+| k1 s1.0 | 45.54 | 44.01 | 47.34 | 43.44 | 48.03 |+| **k1 s0.5（默认）** | **47.63** | 49.33 | 48.80 | 43.09 | 49.19 |+| k1 s1.0 hvgo | 45.78 | 44.00 | 47.70 | 43.44 | 48.72 |+| k1 s1.5 | 42.22 | 37.13 | 43.81 | 42.06 | 47.23 |+| k1 s2.0 | 39.94 | 32.45 | 39.82 | 42.06 | 46.90 |+| k3 s1.0 | 35.45 | 35.74 | 11.61 | 42.40 | 47.24 |+| β0.5 混合 s1 | 42.06 | 43.97 | 30.54 | 42.74 | 48.29 |+| β0.7 混合 s1.5 | 37.60 | 36.39 | 21.99 | 42.06 | 47.07 |++参照：父节点15=49.05（cs 68.25 / cov 28.78），copy_last 类对照≈50.65（cov 52.52）。 -- 已验证：X3 视图（E8.75+E9.0→E9.5）vec-check 通过，5 次 vec-score（28.0 / 42.0 / 43.0 / 48.9 / 48.9-默认复现同哈希）。默认输出与打分过的 g05 配置逐位相同。-- 未验证：final（E8.5+E9.5→E10.5）与 proxy 视图未跑分（本节点只挂 X3 尺子）；代码路径对单输入（proxy）有退路、对大细胞数有 cap（train 10k/阶段、OT 3k/阶段、kNN 分块），但耗时只在 X3（~3.5k 细胞，1–1.5 min）实测。γ、kl、scale 只做了粗网格，B 半与多 seed 未测。-- 生物学知识来源：未使用禁窗（9.5<E≤13.5）或保留阶段的任何测量信息；方法只依赖视图内输入阶段数据与通用 ML 组件，无外部先验写入。+## 结论（诚实的负结果） -## 下一步+1. PLAN 假设一半成立：kNN 真实细胞选择确实把 covariation 从 28.78 拉回 48.80（接近 copy_last 的 52.52），de_recovery 也回到 43+；但 cell_state 只有 44–49，**没有**保住父节点的 68。+2. cell_state 随 scale 单调下降（s0≈copy 50.6 → s0.5 49.3 → s1 44.0 → s2 32.5）：在 X3 上潜空间 OT 位移方向把细胞选向**错误的**邻居，位移越大越差。PLAN 风险 1 成立。+3. 一切线性混合（k>1 加权、β 与自身混合）都摧毁 covariation（k3: 11.6；β0.5: 30.5），复证父节点教训。+4. 默认取网格内最好的 s=0.5（47.63），仍低于父节点 49.05 与 copy_last 50.65（差距在 ~2 分噪声边缘）。**该机制在 X3 上净效应为负**；VAE 潜位移家族在此数据上不如 per-type EB 位移（节点 4/5/9/13 家族）。+5. 下一步建议：放弃 generative_latent 家族的潜位移选择，回到节点 13（EB位移+PC投影+切向扩散，60.56）；若保留本家族，需先在 B半/多 seed 上验证位移方向本身（direction 组始终 ~47–49 不动，说明 dz 与真实 E9.0→E9.5 变化方向对齐差）。++## 验证与未验证 -γ=0.5 的线性混合牺牲了 covariation（48→28.6）；更优方向是用潜位移做"真实细胞选择/组成调制"（对 z_pred 取最近真实末阶段细胞）而非数值混合，可同时保住 cell_state 与 covariation；或把解码 dz 投回基因空间做保稀疏位移（与节点 4/5/9 的强部件组合）。+- 已验证：X3 视图默认配置完整跑通（~2–4 min, CPU）、vec-check 通过；9 次 vec-score 如上。+- 未验证：proxy/proxy2/final 视图未跑（本节点只挂 X3 尺子）；代码继承父节点的 cap/分块逻辑，单输入退路逻辑存在但未实测；B半与多 seed 未测。+- 生物学知识来源：无外部先验；只用视图内输入阶段数据与通用 ML/OT 组件。未使用禁窗（9.5<E≤13.5）或保留阶段/基因型的任何测量信息。diff --git a/solution/run.py b/solution/run.pyindex 33b0567..007a95a 100644--- a/solution/run.py+++ b/solution/run.py@@ -149,11 +149,20 @@ def main(argv=None):     ap.add_argument("--ot-reg", type=float, default=0.1)     ap.add_argument("--ot-cap", type=int, default=3000)     ap.add_argument("--train-cap", type=int, default=10000)-    ap.add_argument("--transition-scale", type=float, default=1.0,+    ap.add_argument("--transition-scale", type=float, default=0.5,                     help="-1: auto = clip(dt_target/dt_input, 0, 2); 0 disables the mechanism (control)")     ap.add_argument("--no-covariate", action="store_true")     ap.add_argument("--blend-gamma", type=float, default=0.5,                     help="HVG output = (1-g)*last-stage real values + g*quantile-matched decode")+    ap.add_argument("--knn-select", type=int, default=1,+                    help="k>0: output = softmax-weighted REAL last-stage cells nearest to z_pred "+                         "(no decode/QM/blend); k=0: legacy decode path")+    ap.add_argument("--select-hvg-only", type=int, default=0,+                    help="1: only HVG columns come from selected neighbours, non-HVG keep own values")+    ap.add_argument("--select-beta", type=float, default=1.0,+                    help="output = (1-b)*own last-stage values + b*selected-neighbour values")+    ap.add_argument("--dump", default=None, help="dev: save latents/dz npz")+    ap.add_argument("--load", default=None, help="dev: load latents/dz npz (skip VAE/OT)")     args = ap.parse_args(argv)      view = Path(args.data)@@ -169,7 +178,93 @@ def main(argv=None):     n_out = int(np.clip(n_last, man["min_cells"], man["max_cells"]))     rows_out = np.sort(rng.choice(n_last, size=n_out, replace=n_out > n_last)) -    # HVGs among genes covered by every input stage+    scale = args.transition_scale+    if scale < 0:+        dt_in = inputs[-1]["time"] - inputs[0]["time"] if len(inputs) >= 2 else 0.0+        dt_tg = man["target"]["time"] - inputs[-1]["time"]+        scale = float(np.clip(dt_tg / dt_in, 0.0, 2.0)) if dt_in > 0 else 1.0++    if args.load:+        zz = np.load(args.load)+        Z_last, dz_all, hvg = zz["Z_last"], zz["dz_all"], zz["hvg"]+    else:+        Z_last, dz_all, hvg = _latent_field(Xs, man, args, rng, inputs, genes, masks)+        if args.dump:+            np.savez(args.dump, Z_last=Z_last, dz_all=dz_all, hvg=hvg, scale=scale)++    # ---------------- kNN real-cell selection in latent space (default path)+    if args.knn_select > 0:+        Zp = Z_last[rows_out] + scale * dz_all[rows_out]+        k = min(args.knn_select, Z_last.shape[0])+        d2 = ((Zp[:, None, :] - Z_last[None, :, :]) ** 2).sum(-1)+        knn = np.argpartition(d2, k - 1, axis=1)[:, :k]+        dk = np.take_along_axis(d2, knn, axis=1)+        srt = np.argsort(dk, axis=1)+        knn = np.take_along_axis(knn, srt, axis=1)+        dk = np.take_along_axis(dk, srt, axis=1)+        h = max(np.median(dk[:, -1]), 1e-8)+        W = np.exp(-(dk - dk[:, :1]) / h)+        W /= W.sum(axis=1, keepdims=True)+        sel = np.zeros((n_out, Z_last.shape[0]), dtype=np.float32)+        sel[np.arange(n_out)[:, None], knn] = W.astype(np.float32)+        Xsel = sparse.csr_matrix(sel) @ Xs[-1]+        self_frac = float((knn[:, 0] == rows_out).mean())+        print(f"[mech] scale={scale:.3f} k={k} self_top1={self_frac:.3f} "+              f"d1_mean={dk[:,0].mean():.3f} w1_mean={W[:,0].mean():.3f} "+              f"||dz||={np.linalg.norm(dz_all[rows_out],axis=1).mean():.4f}", flush=True)+        Xsel_d = np.asarray(Xsel.todense(), dtype=np.float32)+        b = float(np.clip(args.select_beta, 0.0, 1.0))+        if b < 1.0:+            Xown = Xs[-1][rows_out].toarray().astype(np.float32)+            Xsel_d = (1.0 - b) * Xown + b * Xsel_d+        if args.select_hvg_only:+            Xout = Xs[-1][rows_out].toarray().astype(np.float32)+            Xout[:, hvg] = Xsel_d[:, hvg]+        else:+            Xout = Xsel_d+        Xout[~np.isfinite(Xout)] = 0.0+        _write_out(Xout, genes, args.out, Xs[-1], n_last)+        return++    # ---------------- legacy decode path (--knn-select 0)+    mu_g, sd_g, model, d_in = _fit_cache["model_parts"]+    A_last = _fit_cache["A_last"]+    Dp = decode(model, (Z_last[rows_out] + scale * dz_all[rows_out]).astype(np.float32)) * sd_g + mu_g+    Dp[~np.isfinite(Dp)] = 0.0+    if args.quantile_match:+        E = np.asarray(Xs[-1][:, hvg].todense(), dtype=np.float32)+        E.sort(axis=0)+        q = (np.argsort(np.argsort(Dp, axis=0), axis=0).astype(np.float64) + 0.5) / Dp.shape[0]+        idx = np.minimum((q * E.shape[0]).astype(np.int64), E.shape[0] - 1)+        Dp = np.take_along_axis(E, idx, axis=0).astype(np.float32)+        del E+    np.maximum(Dp, 0.0, out=Dp)+    Dp[Dp < 0.01] = 0.0+    Xout = Xs[-1][rows_out].toarray().astype(np.float32)+    g = float(np.clip(args.blend_gamma, 0.0, 1.0))+    if g > 0:+        Xout[:, hvg] = (1.0 - g) * Xout[:, hvg] + g * Dp+    Xout[~np.isfinite(Xout)] = 0.0+    _write_out(Xout, genes, args.out, Xs[-1], n_last)+++_fit_cache: dict = {}+++def _write_out(Xout, genes, out_path, X_last, n_last):+    import anndata as ad+    import pandas as pd+    adata = ad.AnnData(X=sparse.csr_matrix(Xout),+                       obs=pd.DataFrame(index=[f"c{i}" for i in range(Xout.shape[0])]),+                       var=pd.DataFrame(index=list(genes)))+    adata.X.eliminate_zeros()+    adata.write_h5ad(out_path)+    print(f"[out] {adata.shape} nnz/cell={adata.X.nnz / adata.shape[0]:.0f} "+          f"input nnz/cell={X_last.nnz / n_last:.0f}", flush=True)+++def _latent_field(Xs, man, args, rng, inputs, genes, masks):+    """HVG selection + VAE training + OT/kNN displacement field. Returns (Z_last, dz_all, hvg)."""     cov_all = np.logical_and.reduce(masks)     var_tot = np.zeros(len(genes), dtype=np.float64)     for X in Xs:@@ -181,7 +276,6 @@ def main(argv=None):     order = cand[np.argsort(-var_tot[cand], kind="stable")]     hvg = np.sort(order[: args.hvg]) -    # standardisation stats over all input cells     S = sparse.vstack([X[:, hvg] for X in Xs]).tocsr()     mu_g = np.asarray(S.mean(axis=0)).ravel().astype(np.float64)     sd_g = np.sqrt(np.maximum(np.asarray(S.multiply(S).mean(axis=0)).ravel() - mu_g ** 2, 0))@@ -193,14 +287,13 @@ def main(argv=None):     use_cov = not args.no_covariate     n_st = len(A) -    def cov_of(si: int, n: int) -> np.ndarray | None:+    def cov_of(si: int, n: int):         if not use_cov:             return None         c = np.zeros((n, n_st), dtype=np.float32)         c[:, si] = 1.0         return c -    # train (cap cells per stage)     train_parts, cov_parts = [], []     for si, D in enumerate(A):         n = D.shape[0]@@ -214,18 +307,8 @@ def main(argv=None):      Z = [encode_mean(model, d_in, D, cov_of(si, D.shape[0])) for si, D in enumerate(A)] -    scale = args.transition_scale-    if scale < 0:-        if n_st >= 2:-            dt_in = inputs[-1]["time"] - inputs[0]["time"]-            dt_tg = man["target"]["time"] - inputs[-1]["time"]-            scale = float(np.clip(dt_tg / dt_in, 0.0, 2.0)) if dt_in > 0 else 1.0-        else:-            scale = 0.0--    # ---- latent displacement field (needs >=2 stages and scale > 0)-    dz_out = None-    if n_st >= 2 and scale > 0:+    dz_all = np.zeros_like(Z[-1])+    if n_st >= 2:         import ot          Z0f, Z1f = Z[-2], Z[-1]@@ -241,9 +324,7 @@ def main(argv=None):         Pi = np.nan_to_num(Pi, nan=0.0, posinf=0.0, neginf=0.0)         rs = Pi.sum(axis=1, keepdims=True)         rs[rs <= 0] = 1.0-        delta = (Pi / rs) @ P1 - P0                      # per-source-cell displacement-        # kNN-weighted local regression: dz for every last-stage cell (chunked)-        dz_all = np.zeros_like(Z1f)+        delta = (Pi / rs) @ P1 - P0         k = min(args.k, len(i0))         for s in range(0, n1, 1024):             Zq = Z1f[s:s + 1024]@@ -254,45 +335,14 @@ def main(argv=None):             w = np.exp(-dk / h)             w /= w.sum(axis=1, keepdims=True)             dz_all[s:s + 1024] = np.einsum("ij,ijk->ik", w, delta[knn])-        dz_out = dz_all[rows_out]         nrm = np.linalg.norm(dz_all, axis=1)-        print(f"[mech] ||dz|| mean={nrm.mean():.4f} cv={nrm.std() / max(nrm.mean(), 1e-9):.4f} "-              f"scale={scale:.3f} ||delta||={np.linalg.norm(delta, axis=1).mean():.4f}", flush=True)--    # ---- predict latents for output cells, decode-    Zp = Z[-1][rows_out].copy()-    if dz_out is not None:-        Zp += scale * dz_out-    Dp = decode(model, Zp.astype(np.float32)) * sd_g + mu_g-    Dp[~np.isfinite(Dp)] = 0.0-    if args.quantile_match:-        # per-gene quantile match: map decoded ranks onto the last stage's-        # empirical marginal (restores sparsity / value distribution per gene)-        E = np.asarray(Xs[-1][:, hvg].todense(), dtype=np.float32)  # n_last x hvg-        E.sort(axis=0)-        q = (np.argsort(np.argsort(Dp, axis=0), axis=0).astype(np.float64) + 0.5) / Dp.shape[0]-        idx = np.minimum((q * E.shape[0]).astype(np.int64), E.shape[0] - 1)-        Dp = np.take_along_axis(E, idx, axis=0).astype(np.float32)-        del E-    np.maximum(Dp, 0.0, out=Dp)-    Dp[Dp < 0.01] = 0.0--    # ---- assemble full-panel output: last stage's values, HVGs blended-    Xout = Xs[-1][rows_out].toarray().astype(np.float32)-    g = float(np.clip(args.blend_gamma, 0.0, 1.0))-    if g > 0:-        Xout[:, hvg] = (1.0 - g) * Xout[:, hvg] + g * Dp-    Xout[~np.isfinite(Xout)] = 0.0+        cv_pop = nrm.std() / max(nrm.mean(), 1e-9)+        print(f"[mech] ||dz|| mean={nrm.mean():.4f} cv={cv_pop:.4f} "+              f"||delta||={np.linalg.norm(delta, axis=1).mean():.4f}", flush=True) -    import anndata as ad-    import pandas as pd-    adata = ad.AnnData(X=sparse.csr_matrix(Xout),-                       obs=pd.DataFrame(index=[f"c{i}" for i in range(Xout.shape[0])]),-                       var=pd.DataFrame(index=list(genes)))-    adata.X.eliminate_zeros()-    adata.write_h5ad(args.out)-    print(f"[out] {adata.shape} nnz/cell={adata.X.nnz / adata.shape[0]:.0f} "-          f"input nnz/cell={Xs[-1].nnz / n_last:.0f}", flush=True)+    _fit_cache["model_parts"] = (mu_g, sd_g, model, d_in)+    _fit_cache["A_last"] = A[-1]+    return Z[-1], dz_all, hvg   if __name__ == "__main__":

调研来源?调研员查到并用到的知识条目和文献检索结果（只列标题和编号）。

用到的知识库条目

分析结果?分析员写的 ANALYSIS.json：改了什么、各组分数怎么变、假设是否成立、经验和下一步建议。

对话摘要?每个角色和大模型对话的统计：轮数、工具调用、用时、token 数和最后的回答摘录；原始记录只给路径。

只给统计和最后回答的摘录；完整对话请到原始记录位置里列出的文件看。

分析员

ANALYSIS.json written

工程师

Done. Final state verified: `vec-check` ok, and the full default run reproduces the scored prediction bit-identically (determinism confirmed).

**做了什么**：按 PLAN 把父节点 15 的「VAE 解码+分位数匹配+γ混合」替换为潜位移 kNN 真实细胞选择：z_pred = z_last + scale·dz，在末阶段全部真实细胞潜码中取最近邻（k=1，softmax 权重），输出=被选真实细胞的原始表达（全 panel）。机制关闭对照（scale=0）严格退化为 copy_last。

**查分结果**（X3 A半，9 次）：最优 k=1/scale=0.5 = **47.63**（cov 48.80 从父 28.78 大幅回升，de_recovery 43.09，但 cell_state 49.33 远低于父 68.25）；scale 越大越差（s1=45.5、s2=39.9），k>1 与 β 线性混合都摧毁 covariation（k3=35.5、β0.5=42.1）。低于父 49.05 与 copy_last ~50.65（噪声边缘）——潜空间 OT 位移方向在 X3 上净效应为负，PLAN 风险 1 成立，已在 METHOD.md 如实记录。

**下一步最值得试**：放弃 generative_latent 潜位移家族，回到节点 13（per-type EB 位移+PC 投影+切向扩散，60.56）继续改进；若要救 cell_state，用 decode(z+dz)−decode(z) 的差值做保稀疏加性位移（父 ANALYSIS 建议 2），而非重选/混合真实细胞。

调研员

```json
{
  "name": "VAE潜位移+kNN真实细胞选择替代γ混合，修复covariation",
  "motivation": "父节点15的covariation=28.78（对照52.52，-23.74）是最大失分组，ANALYSIS明确归因于γ=0.5线性混合破坏基因间相关结构。cell_state=68.25已由QM+混合修复，但代价是covariation。全树最佳节点13的covariation=44.54，节点5达48.20，说明保留真实表达向量是关键。de_recovery=42.11（-9.27）也需修复。",
  "approach": "保留父节点VAE训练（HVG2000, latent20, kl=0.005, 100ep）和OT耦合+ kNN位移场不变，替换解码后处理：(1) z_pred = z_last + scale·dz（scale=1.0）；(2) 对每个目标细胞，在末阶段所有真实细胞的潜码中找k个最近邻（k=1,3,5待网格），权重softmax(-d²/h)，h=中位k距；(3) 输出=权重加权的真实末阶段原始表达（非解码值），保证基因间相关结构来自真实数据；(4) 非HVG保留末阶段值。去掉quantile-match和γ混合。参数网格：k∈{1,3,5}，scale∈{0.5,1.0,1.5}，共9组合，先跑k=1/scale=1确认方向，再扫其余。单输入退路：无OT，输出=输入（copy）。用vec-score查X3 A半，先跑2个配置（k=1 scale=1, k=3 scale=1）确认covariation回升>45，再扫全网格。耗时预估：VAE+OT约90s，kNN选择<5s，总计<150s。",
  "expected_groups": ["covariation", "de_recovery"],
  "risks": "1) k=1时输出只是重排真实细胞，若位移方向不准则cell_state大幅下降（ Engineer应先跑k=1看cell_state是否<50）；2) k较大时加权平均会平滑掉稀疏性，covariation回升有限；3) 位移幅度不足（||dz||小）导致大多数细胞选回自身，输出≈copy_last无进展；4) 30分钟内网格9组合可能紧张，优先跑3个关键配置。Engineer发现covariation未超45或总分未超49应立即停止网格、检查位移是否有效。",
  "family_id": "generative_latent",
  "mechanism": "VAE潜空间中OT耦合产生的逐细胞位移z_pred，通过在真实末阶段细胞潜码中做kNN选择将潜位移转化为真实表达向量的重新分配，而非解码+数值混合。",
  "vs_constant_shift": "位移依赖每个细胞在潜空间的位置（OT耦合+kNN回归），不是每型常数差；选择的目标细胞因细胞而异，within-population CV>0.3已验证。常数位移对所有同型细胞给出相同输出，本方案同型内不同细胞因潜位置不同会被映射到不同真实邻居。",
  "mechanism_evidence": "1) ||dz|| mean>0.1且within-pop CV>0.3（继承父节点标准）；2) 输出矩阵与copy_last逐元素比较：(A!=B).nnz应>0，且改变比例>20%；3) 四组分分别报告：预期covariation从28.78回升至>45，cell_state可能从68降至55-65（因去掉QM），总分应>49；4) 打印被选择细胞与自身的潜距离分布，确认非全部选回自身。",
  "mechanism_off_control": "--transition-scale 0：z_pred=z_last，最近邻即自身，输出=末阶段原始表达（等价copy_last）。预期：输出与copy_last逐元素一致（或仅浮点误差），分数回到~50（copy_last水平）。若scale=0时输出与scale>0相同，说明机制未运行。",
  "sources": []
}
```